VITAL目标跟踪

VITAL目标跟踪原文：VITAL: VIsual Tracking via Adversarial Learning

GitHub：代码

                                                                              Abstract

       检测跟踪测框架包括两个阶段，即在第一阶段围绕目标对象提取样本第二个阶段将每个样本分类为目标对象或背景。使用深度分类网络的现有跟踪器的性能受到两个方面的限制。首先，每帧中的正样本在空间上高度重叠，并且它们不能捕获丰富的外观变化。其次，正负样本之间存在极端的等级不平衡。本文介绍通过对抗性学习解决这两个问题的VITAL算法。为了增强正样本，我们使用生成网络随机生成掩模，这些掩模用于自适应地丢弃输入特征以捕获各种外观变化。通过使用对抗性学习，我们的网络可识别在长时间跨度内保持目标对象最鲁棒特征的掩模。此外，为了处理类不平衡问题，我们提出了一种高订单成本敏感性损失，以减少容易负样本的影响，以便于训练分类网络。对基准数据集的大量实验表明，所提出的跟踪器比最先进的方法表现出色。